文章 大厂面试

m佬腾讯TEG研发管理全栈开发一面

岗位：全栈开发（偏后端应用开发）

面试流程简述#

整体时间比较长，前面先做了一道手写题，后面主要围绕 Go 基础、项目、AI coding / agent 相关理解展开，最后有反问环节。岗位挂全栈，面试内容明显偏后端应用开发和 AI 工具工程化。

算法#

  1. 手写 LRU Cache。
  2. 追问：如果给 LRU 加过期时间怎么设计？

八股#

  1. goroutine 和线程的区别。
  2. GMP 模型。
  3. 本地队列挂在 P 还是 M？
  4. channel 的理解、常见使用场景。
  5. channel close 后的行为。
  6. defer 的用途和执行顺序。

项目 / 场景追问#

  1. 某网关项目里，如何把存量 API 适配成 MCP 调用形式？
  2. 为什么选择在网关层做协议转换？现成 SDK 的局限是什么？
  3. OAuth 相关鉴权流程怎么设计？
  4. 服务注册发现 / 配置管理怎么接？
  5. 高并发下网关怎么考虑扩展和治理？
  6. 大量调用失败时如何排查？
  7. skill 摘要索引 / 按需注入上下文怎么做？
  8. agent loop 为什么会死循环，怎么防护？
  9. 多 session 并发时如何避免上下文 / 记忆串扰？
  10. 长期记忆 / RAG 的基本理解和关键环节。

AI / 工程认知#

  1. 平时 AI coding 怎么用？
  2. AI 生成代码和人工 review 的关系。
  3. AI review AI 是否有效？
  4. 对 OpenClaw / OpenCode 一类工具的理解和使用感受。

反问#

  1. 部门业务方向。
  2. 团队当前在做的 AI + code 相关工作。
  3. 团队内部 AI coding 的使用方式和模型选择。

总体感受#

整体更像后端工程 + AI 工具方向的面试，项目会被追得比较细，尤其会看 Go 基础、项目真实性、工程化思考和 AI 工具理解。

参考答案（AI 生成）#

以下答案由 AI 生成，仅供面试复盘参考。

1. 手写 LRU Cache#

答：LRU 用哈希表 + 双向链表实现。哈希表负责 O(1) 定位节点，双向链表维护访问顺序；每次 Get 或 Put 命中节点时移动到链表头部，容量满时淘汰链表尾部节点。

2. LRU 加过期时间怎么设计？#

答：节点里增加 expireAt 字段，Get 时先判断是否过期，过期则从链表和哈希表中删除；Put 时写入新的过期时间。清理策略可以用惰性删除 + 后台定时清理，要求更高时可以额外维护小顶堆或时间轮按过期时间批量清理。

3. goroutine 和线程的区别#

答：线程是操作系统调度单位，创建和切换成本较高；goroutine 是 Go runtime 管理的轻量执行单元，初始栈小并可动态增长。大量 goroutine 会被调度到少量系统线程上执行，适合高并发 I/O 和大量并发任务。

4. GMP 模型，本地队列挂在 P 还是 M？#

答：G 是 goroutine，M 是系统线程，P 是调度器处理器。M 持有 P 才能执行 G，本地运行队列挂在 P 上；P 负责维护本地队列，也会从全局队列、netpoller 或其他 P 的队列中获取任务。

5. channel 的理解和使用场景#

答：channel 是 goroutine 之间通信和同步的机制。无缓冲 channel 适合强同步、任务交接、信号通知；有缓冲 channel 适合生产消费解耦、削峰、限流和 worker pool。

6. channel close 后的行为#

答：close 后继续接收会先读完缓冲区数据，缓冲区读完后继续接收会得到元素零值，ok=false。向已关闭 channel 发送会 panic，重复 close 也会 panic。通常由发送方负责 close。

7. defer 的用途和执行顺序#

答：defer 用于函数退出前的统一收尾，比如关闭文件、释放锁、回滚事务、恢复 panic、统计耗时。多个 defer 按后进先出执行，参数在注册 defer 时完成求值。

8. 存量 API 如何适配成 MCP 调用形式？#

答：核心是把 API 的能力抽象成 MCP tool。网关层读取 OpenAPI、内部接口描述或手工配置，生成 tool name、description、input schema，再把模型传入的结构化参数转换成 HTTP/gRPC 请求，调用后把响应统一封装成 MCP tool result。

9. 为什么在网关层做协议转换？#

答：网关层适合统一处理鉴权、限流、审计、协议转换、服务发现、错误码映射和可观测性。存量 API 可以通过网关集中暴露为 MCP tool，业务服务保留原有接口形态，接入成本更低，也方便统一治理。

10. OAuth 鉴权流程怎么设计？#

答：常见流程是用户跳转到授权服务完成登录和授权，授权服务回调并返回 code，网关或后端用 code 换 access token 和 refresh token。后续调用时网关校验 token、scope、audience 和过期时间，并把用户身份和权限上下文透传给下游服务。

11. 服务注册发现 / 配置管理怎么接？#

答：服务注册发现可以接 Consul、Etcd、Nacos 或 Kubernetes Service，网关按服务名发现实例并做负载均衡。配置管理可以接配置中心，支持动态刷新路由、限流规则、MCP tool 元数据、超时和熔断参数。

12. 高并发下网关怎么扩展和治理？#

答：网关本身保持无状态，依靠水平扩容承接流量；入口层做负载均衡，服务内做连接池、限流、熔断、超时、重试、隔离和降级。可观测性上记录请求量、错误率、P95/P99、下游耗时、重试次数和失败原因。

13. 大量调用失败时如何排查？#

答：先按维度拆分失败：接口、租户、模型、下游服务、地域、时间窗口。再看网关日志、trace、错误码、超时分布、下游健康状态、连接池、限流熔断命中、配置变更和发布记录。排查顺序可以从入口流量、网关处理、下游调用、外部依赖、最近变更推进。

14. skill 摘要索引 / 按需注入上下文怎么做？#

答：先为每个 skill 生成摘要、标签、触发词、输入输出和示例，并建立向量索引或关键词索引。用户请求进来后先检索候选 skill，再按相关性、权限、会话状态和 token 预算选择少量内容注入上下文，必要时只注入摘要，执行前再按需加载完整说明。

15. agent loop 为什么会死循环，怎么防护？#

答：常见原因是目标定义模糊、工具返回信息不足、模型反复选择同一工具、状态判断缺少停止条件。防护手段包括最大轮数、最大工具调用次数、重复动作检测、预算控制、失败次数阈值、明确 stop condition、人工确认和执行轨迹审计。

16. 多 session 并发时如何避免上下文 / 记忆串扰？#

答：核心是隔离。每个 session 使用独立的 conversation id、memory namespace、tool execution context 和权限上下文；长期记忆写入时带用户、租户、应用、来源和时间等元数据；检索时强制按身份和 namespace 过滤。

17. 长期记忆 / RAG 的基本理解和关键环节#

答：长期记忆负责沉淀用户偏好、项目事实和历史决策，RAG 负责从外部知识库召回相关内容增强回答。关键环节包括文档清洗、切分、embedding、向量检索、rerank、权限过滤、上下文拼装、引用溯源和效果评测。

18. AI coding 怎么用，AI 代码和人工 review 的关系#

答：AI coding 适合生成样板代码、补测试、读代码、解释报错、做重构草案和产出文档。人工 review 负责架构边界、业务语义、安全、性能、异常路径和可维护性判断。AI 可以提高产出速度，人工负责最终质量。

19. AI review AI 是否有效？#

答：有效性取决于审查目标和上下文质量。AI review 适合发现明显 bug、遗漏分支、风格问题、测试缺口和安全风险线索；关键业务代码仍要结合人工 review、自动化测试、静态扫描和线上观测形成闭环。

20. OpenClaw / OpenCode 一类工具怎么理解？#

答：这类工具的核心价值是把模型能力接进真实工程环境，让 AI 能读仓库、改代码、跑测试、调用工具和沉淀上下文。使用体验重点看模型能力、工具生态、权限控制、上下文管理、执行可观测性和失败恢复能力。